典型文献
生成对抗网络在医学图像跨模态重建中的应用及展望
文献摘要：
医学图像跨模态重建是指基于被试某一种模态图像,预测同一被试的另一种模态图像,以实现更精准的个体化医疗.生成对抗网络(generative adversarial networks,GAN)是医学图像跨模态重建中最常见的深度学习技术,该技术通过从遵循真实数据分布的隐式分布中生成医学图像,进而快速重建出其他模态医学图像数据.随着临床对多模态影像数据需求的剧增,GAN技术在磁共振成像、计算机断层扫描和正电子发射型计算机断层扫描等多种不同的医学图像模态之间的跨模态重建任务中均得到广泛的应用,在脑、心等不同部位实现精准高效的跨模态图像重建.此外,虽然GAN在跨模态重建中取得了一定的成功,但其在稳定性、泛化能力和准确度方面仍需要进一步的改进.
文献关键词：
生成对抗网络;跨模态重建;CT预测;MRI预测;正电子发射型计算机断层扫描预测
中图分类号：
作者姓名：
孙杰;金诗晨;石蓉;左传涛;蒋皆恢
作者机构：
上海大学通信与信息工程学院生物医学工程研究所,上海200444;复旦大学附属华山医院PET中心,上海200040
文献出处：
引用格式：
[1]孙杰;金诗晨;石蓉;左传涛;蒋皆恢-.生成对抗网络在医学图像跨模态重建中的应用及展望)[J].中南大学学报（医学版）,2022(08):1001-1008
A类：
跨模态重建,正电子发射型计算机断层扫描预测
B类：
生成对抗网络,个体化医疗,generative,adversarial,networks,GAN,深度学习技术,真实数据,数据分布,隐式,快速重建,医学图像数据,多模态影像,影像数据,数据需求,磁共振成像,多种不同,不同部位,精准高效,图像重建,泛化能力
AB值：
0.1929
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
